Name: video movement analysis using smartphones (vimas): a pilot study
Uploaded: 2017-03-14T12:30:00.000+00:00
Duration: 7 min 51 s
Description: Watch this Scientific Journal Video about Video Movement Analysis Using Smartphones ViMAS: A Pilot Study at JoVE.com

The authors wish to thank all the participants who generously gave their time to participate in this study.

Dieses Protokoll wurde von der Institutional Review Board der Wayne State University genehmigt. 1. Experimentelle Vorbereitung <ol><li> Position Kameras die gesamte 6-m Gehweg zu erfassen. Verwenden Sie insgesamt 4 3D-Motion-Captures Kameras zu Fuß über einen 6-m Gehweg zu erfassen. <ol><li> Platzieren Sie jede der Kameras an den vier Ecken des 6 m Gehweg. Orientieren jeder der Kameras an den diagonalen Enden des Gehwegs einander zugewandt sind. </li></ol></li><li> Sammeln Sie Größe, Gewicht und Beinlängenmaße der einzelnen Teilnehmer. <ol><li> Messen Sie Masse in Kilogramm. </li><li> Messen Sie die Beinlänge (in Metern) vom Trochanter major Knöcheln beider Beine mit einem Maßband nach medial. </li><li> neben einem Maßband stehen barfuß an der Wand befestigt Messen Sie die Höhe (in m), von dem Teilnehmer mit. Legen Sie ein Lineal auf der Oberseite des Kopfes des Teilnehmers die Messung von dem Maßband an der Wand befestigt zu lesen. </li></ol></li><li&gt; Das Smartphone auf einem Stativ mit einem Stativ-Adapter für ein Smartphone Halterclip montieren. Stellen Sie das Stativ auf 2 m oder 4 m, senkrecht zum Zentrum des Gehwegs. In zufälliger Reihenfolge dieser Platzierung, wenn eine Validierungsstudie durchführen. </li><li> Platz Cluster von 3 intelligente Markierungen auf der Teilnehmer über die bilateralen vorderen oberen Beckenkamm (ASIS), obere 1/3 der Oberschenkel, Ober 1/3 Kalb und Fußrücken. Legen Sie eine einzelne Smart Marker in der Mittellinie zwischen der rechten und der linken hinteren oberen Beckenkamm. <ol><li> Sichern Sie sich die Smart-Marker mit Klettverschluss / doppelseitiges Klebeband. Sichere Oberschenkel und Wade Marker in der Frontalebene. </li></ol></li><li> Platz Aufkleber zeigt Knochenpunkte gegenüber bilateralen medialen und lateralen Femurkondylen, medialen und lateralen Malleolus und dem webspace zwischen dem ersten und dem zweiten Zeh für die Kalibrierung des 3D-Motion-Capture-System. HINWEIS: Das Kalibrierungsverfahren an jedes Labor spezifisch ist, und 3D-Motion-Capture-Geräte und Software. </li&gt; <li> Für das Kalibrierungsverfahren finden Sie im Betriebshandbuch vom Hersteller der 3D-Motion-Capture-Geräte und / oder Software, die die Daten zu analysieren verwendet wird. Das verwendete Verfahren hier beinhaltet eine instrumentierte &quot;Wand&quot; mit Smart-Markern, die 3D-Position der Aufkleber zu registrieren, die in Verkehr gebracht wurden. </li></ol> 2. Experiment <ol><li> Stellen Sie die Smartphone-Kamera-Objektiv Höhe entweder der Teilnehmer unteren Körper nur (ASIS als obere Rand) oder Ober- und Unterkörper (acromion als obere Rand) zu erfassen. Messen Sie die Höhe vom Boden zu der Kameralinse in Metern. </li><li> Geben Sie den Teilnehmern eine Praxis-Studie. Haben Sie ein Ermittler das Smartphone bedienen, und die andere zur Bedienung des Computers, der die 3D-Motion-Capture-System steuert. Verwenden Sie nummerierte Papier Probenummer auf dem Smartphone Aufnahme anzuzeigen. </li><li> Öffnen Sie die Smartphone-Anwendung. Drücken Sie die rote &quot;Record&quot; Taste auf der Unterseite, in der Mitte der screen beginnen Aufzeichnung (wenn in vertikale Ausrichtung). HINWEIS: Wenn das Smartphone bereits auf dem Stativ platziert wurde, erscheint die Schaltfläche in der Mitte, rechte Seite des Telefons, in der Nähe der Home-Taste des Smartphones. </li><li> Weisen Sie den Teilnehmer an ihrem normalen Tempo zu gehen, konzentrierte sich auf eine Markierung auf gegenüberliegenden Wand platziert, um sie bei einer geraden Linie zu Fuß. Legen Sie das Smartphone parallel zum Gehweg ein Seitenprofil des Teilnehmers zu erfassen. Lassen Sie die Teilnehmer die ersten beiden 3D-Motion-Capture-Kameras zu Beginn des Gehwegs auf beiden Seiten platziert überqueren und zu Fuß in Richtung zwei weitere 3D-Motion-Capture-Kameras am anderen Ende des Gehwegs auf beiden Seiten platziert. <ol><li> Für jeden Versuch, jedem Teilnehmer einen Countdown geben zu starten (3, 2, 1, GO) und am Ende der Studie (3, 2, 1, STOP). </li></ol></li><li> Nachdem der Gegenstand 6-m Entfernung beendet zu Fuß, wählen Sie die rote &quot;Record&quot; -Taste noch einmal die Aufnahme dieses Walking-Studie zu beenden. </li><li> Überprüfen Sie einll Marker für die Position nach jedem Versuch. Wenn eine Markerposition geändert wurde, zurückzukehren 1.6 Schritt der 3D-Motion-Capture-System an die neuen Marker Platzierungen neu zu kalibrieren. </li><li> Lassen Sie die Teilnehmer durchführen 3-Studien bei jeder Kameraabstand in Schritt 2.1. </li><li> Bewegen Sie das Stativ mit dem Smartphone auf den zweiten Abstand. Bringen Sie die Teilnehmer auf dem mittleren Punkt der Wanderung Weg zu stehen. Befolgen Sie die Anweisungen in Protokoll 2.2 Schritte - 2.5. </li><li> Speichern und überprüfen Sie die 3D-Motion-Capture-Aufnahmen und Smartphone-Aufnahmen vor dem Entfernen von Smart-Marker. </li></ol> 3. Datenanalyse <ol><li> Folgen Sie Software / Anweisungen des Herstellers des Kniewinkels zu berechnen. notieren Sie manuell die Kniewinkel, die auf dem Bildschirm beim Aufsetzen der Ferse und Zehen off-Phase des Gangzyklus angezeigt wird. </li><li> Füllen Sie die Analyse von Smartphone-Aufnahmen für Fersenauftreffposition und toe off-Veranstaltungen von einem Team von zwei Ermittler gefangen genommen, der auf den Moment des Fersenauftreffposition und Zehen zustimmen vonf Ereignisse und Winkelmessung Landmarken. Verwenden Sie einen Stift für eine erhöhte Genauigkeit der Orientierungspunkt Platzierung für Kniewinkelmessungen. Die nachfolgenden Schritte werden gemeinsam von den beiden Forschern getan. </li><li> Um die Test anzuzeigen, die gerade aufgenommen wurde, wählen Sie den Video Quadrat in der linken unteren Ecke des Bildschirms (in vertikaler Ausrichtung). </li><li> Mit Hilfe der Bildlaufleiste am unteren Rand des Bildschirms, wählen Sie den Rahmen, in dem sich das Motiv am nächsten Fersenauftreffposition oder Zehe ab (je nachdem, was die bevorzugte Variable ist) in der Mitte des Bildschirms. </li><li> Um in den Winkel fallen, tippen Sie auf dem weißen, skizzierte Bleistift-Symbol in der oberen rechten Seite des Bildschirms. </li><li> Wählen Sie den Winkel Option, die zweite Option im Dropdown-Menü. </li><li> Wählen Sie eine gewünschte Farbe und den Winkel-Hersteller. Bitte beachten Sie, dass nur ein Winkel auf einmal gemessen werden. Der Winkel, gemessen in diesem Protokoll bestand lediglich der Kniewinkel in der Sagittalebene. </li><li> Schieben oder tippen Sie mit dem Stift überall auf dem Bildschirm in der DropWinkel. </li><li> Platzieren der Mitte des Winkels auf das Kniegelenk (Condylus lateralis), wobei die Vektoren nach oben entlang des Oberschenkels und nach unten in Richtung der lateralen Malleolus erreichen. </li><li> Bei Bedarf &quot;zoom in&quot;, indem zwei Finger dicht nebeneinander in der Mitte des Bildschirms, und sie langsam auseinander zu ziehen. HINWEIS: Sobald zufrieden mit der Platzierung des Winkels berechnet das Tool automatisch die Kniewinkel zu diesem gegebenen Rahmen. </li><li> Um den Kniewinkel in anderen Phasen der Zehe ab oder Fersenauftreffposition identifizieren, wiederholen Sie die Schritte 3,4-3,10. </li></ol> 4. Klinische Protokoll <ol><li> Messen Sie und markieren einen 6-m Gehweg ein Maßband und Marker / Klebeband verwendet wird. </li><li> Legen Sie das Smartphone auf einem Stativ parallel und in der Nähe der Mitte des 6-Meter Gehweg. </li><li> Stellen Sie das Stativ 2 m entfernt vom Zentrum des Gehwegs der unteren Extremität zu erfassen, oder 4 m entfernt den Rumpf und unteren Extremität zu erfassen. Alle Kamerapositionen ermöglichen, sich aufly Erfassung der Sagittalebene Kinematik. </li><li> Berechnen Sie die Höhe der Smartphone-Kamera Objektivhöhe vom Boden mithilfe der folgenden Formeln: In der Nähe Kamerakonfiguration (2 m) für die nur die untere Extremität capture Kameraobjektiv - height = (0.87xPatient Referenz der Beinlänge in Metern) - 0,12 Far Kamerakonfiguration (4 Meter) für beide unteren Extremitäten und des Rumpfes capture Kameraobjektiv - height = Patienten Referenzbeinlänge in Metern - 0.23 </li><li> Wiederholen Abschnitte 2 - 3 zu erfassen und zu analysieren Daten, die die Smartphone-App. </li></ol>

<ol>
	<li>Brunnekreef, J. J., van Uden, C. J., van Moorsel, S., Kooloos, J. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reliability+of+videotaped+observational+gait+analysis+in+patients+with+orthopedic+impairments.">Reliability of videotaped observational gait analysis in patients with orthopedic impairments.</a> BMC Musculoskelet Disord. 6 (17), (2005).</li><li>Jette, D. U., Halbert, J., Iverson, C., Miceli, E., Shah, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Use+of+standardized+outcome+measures+in+physical+therapist+practice:+perceptions+and+applications.">Use of standardized outcome measures in physical therapist practice: perceptions and applications.</a> Phys Ther. 89 (2), 125-135 (2009).</li><li>Jette, D. U., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evidence-based+practice:+beliefs,+attitudes,+knowledge,+and+behaviors+of+physical+therapists.">Evidence-based practice: beliefs, attitudes, knowledge, and behaviors of physical therapists.</a> Phys Ther. 83 (9), 786-805 (2003).</li><li>Stuberg, W. A., Colerick, V. L., Blanke, D. J., Bruce, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+of+a+Clinical+Gait+Analysis+Method+Using+Videography+and+Temporal-Distance+Measures+with+16-Mm+Cinematography.">Comparison of a Clinical Gait Analysis Method Using Videography and Temporal-Distance Measures with 16-Mm Cinematography.</a> Phys Ther. 68 (8), 1221-1225 (1988).</li><li>Norris, B. S., Olson, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Concurrent+validity+and+reliability+of+two-dimensional+video+analysis+of+hip+and+knee+joint+motion+during+mechanical+lifting.">Concurrent validity and reliability of two-dimensional video analysis of hip and knee joint motion during mechanical lifting.</a> Physiother Theory Pract. 27 (7), 521-530 (2011).</li><li>Robinson, J. L., Smidt, G. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+gait+evaluation+in+the+clinic.">Quantitative gait evaluation in the clinic.</a> Phys Ther. 61 (3), 351-353 (1981).</li><li>Krystkowiak, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Gait+abnormalities+induced+by+acquired+bilateral+pallidal+lesions:+a+motion+analysis+study.">Gait abnormalities induced by acquired bilateral pallidal lesions: a motion analysis study.</a> J Neurol. 253 (5), 594-600 (2006).</li><li>Grunt, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reproducibility+and+validity+of+video+screen+measurements+of+gait+in+children+with+spastic+cerebral+palsy.">Reproducibility and validity of video screen measurements of gait in children with spastic cerebral palsy.</a> Gait Posture. 31 (4), 489-494 (2010).</li><li>Womersley, L., May, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sitting+posture+of+subjects+with+postural+backache.">Sitting posture of subjects with postural backache.</a> J Manipulative Physiol Ther. 29 (3), 213-218 (2006).</li><li>DeForge, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effect+of+4-aminopyridine+on+gait+in+ambulatory+spinal+cord+injuries:+a+double-blind,+placebo-controlled,+crossover+trial.">Effect of 4-aminopyridine on gait in ambulatory spinal cord injuries: a double-blind, placebo-controlled, crossover trial.</a> Spinal Cord. 42 (12), 674-685 (2004).</li><li>Lucareli, P. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Gait+analysis+following+treadmill+training+with+body+weight+support+versus+conventional+physical+therapy:+a+prospective+randomized+controlled+single+blind+study.">Gait analysis following treadmill training with body weight support versus conventional physical therapy: a prospective randomized controlled single blind study.</a> Spinal Cord. 49 (9), 1001-1007 (2011).</li><li>Lucareli, P. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=[Gait+analysis+and+quality+of+life+evaluation+after+gait+training+in+patients+with+spinal+cord+injury].">[Gait analysis and quality of life evaluation after gait training in patients with spinal cord injury].</a> Rev Neurol. 46 (7), 406-410 (2008).</li><li>McFadyen, B. J., Swaine, B., Dumas, D., Durand, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Residual+effects+of+a+traumatic+brain+injury+on+locomotor+capacity:+a+first+study+of+spatiotemporal+patterns+during+unobstructed+and+obstructed+walking.">Residual effects of a traumatic brain injury on locomotor capacity: a first study of spatiotemporal patterns during unobstructed and obstructed walking.</a> J Head Trauma Rehabil. 18 (6), 512-525 (2003).</li><li>Shin, J. C., Yoo, J. H., Jung, T. H., Goo, H. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+of+lower+extremity+motor+score+parameters+for+patients+with+motor+incomplete+spinal+cord+injury+using+gait+parameters.">Comparison of lower extremity motor score parameters for patients with motor incomplete spinal cord injury using gait parameters.</a> Spinal Cord. 49 (4), 529-533 (2011).</li><li>Reid, S., Held, J. M., Lawrence, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reliability+and+Validity+of+the+Shaw+Gait+Assessment+Tool+for+Temporospatial+Gait+Assessment+in+People+With+Hemiparesis.">Reliability and Validity of the Shaw Gait Assessment Tool for Temporospatial Gait Assessment in People With Hemiparesis.</a> Arch Phys Med Rehabil. 92 (7), 1060-1065 (2011).</li><li>Stokic, D. S., Horn, T. S., Ramshur, J. M., Chow, J. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Agreement+Between+Temporospatial+Gait+Parameters+of+an+Electronic+Walkway+and+a+Motion+Capture+System+in+Healthy+and+Chronic+Stroke+Populations.">Agreement Between Temporospatial Gait Parameters of an Electronic Walkway and a Motion Capture System in Healthy and Chronic Stroke Populations.</a> Am J Phys Med Rehabil. 88 (6), 437-444 (2009).</li><li>Arazpour, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+a+novel+powered+hip+orthosis+for+walking+by+a+spinal+cord+injury+patient:+a+single+case+study.">Evaluation of a novel powered hip orthosis for walking by a spinal cord injury patient: a single case study.</a> J. Prosthet. Orthot. Int. 36 (1), 105-112 (2012).</li><li>Prado-Medeiros, C. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effects+of+the+addition+of+functional+electrical+stimulation+to+ground+level+gait+training+with+body+weight+support+after+chronic+stroke.">Effects of the addition of functional electrical stimulation to ground level gait training with body weight support after chronic stroke.</a> Revista Brasileira De Fisioterapia. 15 (6), 436-444 (2011).</li><li>Sousa, C. O., Barela, J. A., Prado-Medeiros, C. L., Salvini, T. F., Barela, A. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Gait+training+with+partial+body+weight+support+during+overground+walking+for+individuals+with+chronic+stroke:+a+pilot+study.">Gait training with partial body weight support during overground walking for individuals with chronic stroke: a pilot study.</a> J Neuroeng Rehabil. 8 (48), (2011).</li><li>Krebs, D. E., Edelstein, J. E., Fishman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reliability+of+observational+kinamatic+gait+analysis.">Reliability of observational kinamatic gait analysis.</a> J Am Phys Ther Assoc. 65, 1027-1033 (1995).</li><li>Martin, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=More+than+half+of+MDs+under+age+35+now+using+PDAs.">More than half of MDs under age 35 now using PDAs.</a> Can. Med. Assoc. J. 169 (9), 952 (2003).</li><li>Mosa, A. M., Yoo, I., Sheets, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Systematic+Review+of+Healthcare+Applications+for+Smartphones.">A Systematic Review of Healthcare Applications for Smartphones.</a> BMC Med Inform Decis Mak. 12, (2012).</li><li>Ferriero, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reliability+of+a+smartphone-based+goniometer+for+knee+joint+goniometry.">Reliability of a smartphone-based goniometer for knee joint goniometry.</a> Int J Rehabil Res. 36 (2), 146-151 (2013).</li><li>Vohralik, S. L., Bowen, A. R., Burns, J., Hiller, C. E., Nightingale, E. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reliability+and+validity+of+a+smartphone+app+to+measure+joint+range.">Reliability and validity of a smartphone app to measure joint range.</a> Am J Phys Med Rehabil. 94 (4), 325-330 (2015).</li><li>Scholtes, S. S., Gretchen, <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Ability+to+detect+change+in+single+leg+squat+movement+patterns+following+instruction+in+females+with+patellofemoral+pain+using+2D+motion+analysis+methods.">Ability to detect change in single leg squat movement patterns following instruction in females with patellofemoral pain using 2D motion analysis methods.</a> Combined Sections Meeting. , (2014).</li><li>Eltoukhy, M. A., Asfour, S., Thompson, C., Latta, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+the+performance+of+digital+video+analysis+of+human+motion:+dartfish+tracking+system.">Evaluation of the performance of digital video analysis of human motion: dartfish tracking system.</a> IJSER. 3 (3), 1-6 (2012).</li><li>Boone, D. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reliability+of+goniometric+measurements.">Reliability of goniometric measurements.</a> Phys Ther. 58 (11), 1355-1360 (1978).</li><li>Bovens, A. M., van Baak, M. A., Vrencken, J. G., Wijnen, J. A., Verstappen, F. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Variability+and+reliability+of+joint+measurements.">Variability and reliability of joint measurements.</a> Am J Sports Med. 18 (1), 58-63 (1990).</li></ol>

No relevant financial relationship exists with Hudl Technique (Ubersense). Adams Physical Therapy Clinic, Novi, MI were our clinical collaborators on this study.

Der Zweck dieser Validierungsstudie war es, die Gültigkeit eines frei verfügbaren Smartphone-Anwendung, um zu bestimmen, klinisch als eine objektive und kostengünstiges Mittel zur Verwendung von Smartphone-Technologie für kinematische Ganganalyse im klinischen Umfeld eingesetzt werden. Bestehende Validierungsstudien, die kinematische Maßnahmen mit einer Smartphone-Anwendung geprüft sind begrenzt und haben keine dynamischen kinematischen Maßnahmen während des Gehens in der Sagittalebene aufgezeichnet beurteilt. Diese Validierungsstudie ist die erste mit einem Smartphone kinematischen Knie Maßnahmen in der Sagittalebene untersucht zu haben. Darüber hinaus ist diese Validierungsstudie ist die erste ein Protokoll für die kinematische Ganganalyse in der Sagittalebene zu entwickeln bekannt, eine Smartphone-Anwendung für die Replikation in der klinischen Einstellung. Basierend auf den Ergebnissen, gab es einen signifikanten Unterschied zwischen den Kniewinkelmessungen durch die 3D-Motion-Capture-System und Smartphone-Anwendung, die exp sein sollteektiert. Es gibt nur begrenzte Genauigkeit der Messungen durch das Smartphone im Vergleich zur Kapazität des 3D-Motion-Capture-System erhalten. Die begrenzte Genauigkeit des Smartphones auf den technologischen Parametern basieren, die auf das jeweilige Gerät verfügbar waren, als die Studie durchgeführt wurde. Die Technik entwickelt sich weiter, können die Smartphone-Plattformen mit verbesserten Erfassungsraten präsentieren. Die Möglichkeit, Videos für die Analyse und Erfassung von Standbildern in einem Bewegungsrahmen zu verlangsamen kann auch die Genauigkeit der kinematischen Analyse der verfügbaren Smartphone-Plattformen zu verbessern. Der Einbau von Funktionen wie High-Definition-Video-Aufzeichnung, Slow-Motion-Capture, Qualität der Zoom und Fokus Kapazitäten können erheblich die Analyse des Endes ohne Verzerrung des gewünschten Gangs Moment verbessern. Auch wenn die Genauigkeit der Messung erhalten, das Knie Maß beeinflusst, wurde zwischen den beiden Kameraabstände kein signifikanter Unterschied in der Messfehler erkannt. Es war mäßig Zustimmung desKniewinkelmessungen während der Zehe ab Phase, was auf die erhöhte Zustimmung der Kniebeugung Maßnahme im Vergleich zu Zustimmung der Kniestreckung oder Überstreckung Messung während Fersenauftreffposition. Im Durchschnitt ein 2 - 6 Grad-Bereich von wurde Messfehler erkannt. Der Fehlerbereich in dieser Studie entspricht gut mit einem etablierten klinisch akzeptablen Bereich des Fehlers. Zum Beispiel genommen multiple goniometrischen Maßnahmen einer Extremität durch einen einzelnen Prüfer hat eine Reichweite von 4 bis 5 Grad. 27, 28 Ferner ist die mittlere Standardabweichung von Extremität goniometrisches von mehreren Prüfern getroffenen Maßnahmen ist 5 bis 6 Grad. Bei einer Studie im Vergleich Erfassung von mechanischen Hebe Untersuchung in der Sagittalebene ist Messfehler auch reflektierende der klinisch akzeptabel Maßnahme zuvor erwähnt. In einer Studie von Norris et al. 5, der Standardfehlergemessen an der Hüfte, Knie und Knöchel bedeuten wurde während der mechanischen Hebe analysiert. Es lag bei 6,1 Grad Fehler für Knie-Messungen. Jedoch verwendet die Maßnahmen, die durch Norris einen Camcorder, die Maßnahmen mit der Analyse auf einem Computer mit einem Smartphone kompatiblen Anwendung aufzuzeichnen. Die Messfehler können nicht direkt mit den in dieser Studie Maßnahmen verglichen werden, da alle Maßnahmen auf einem Smartphone sowohl erfasst und analysiert wurden. Um die Ergebnisse in diesem Manuskript, alle Schritte in dem Protokoll vorgestellt zu replizieren muss wie beschrieben befolgt werden. Insbesondere Abschnitt 2 kritisch diese Validierung Technik auf die Durchführung und auch eine gültige kinematischen Maßnahme mit der Smartphone-App zu erhalten. Diese Schritte beschreiben, die Smartphone-Kamera Platzierungsverfahren und die Durchführung der kinematischen Maßnahmen. Neben der Validierung der Smartphone-Nutzung für kinematische Verbindung Messung hat diese Studie die Verwendung von Smartphone zu vereinfachen und zu standardisieren, versuchtTechnologie zur Ganganalyse der Sagittalebene in der Klinik. Die Forscher entwickelten ein Protokoll für eine realistische Wiedergabe dieser Studie in einem klinischen Raum, unter Verwendung minimal und leicht verfügbare Ausrüstung. Das Protokoll enthält Parameter für den Raum benötigt, Ausrüstung benötigt, und die notwendigen Formeln patientenspezifische Setup für eine angemessene Erfassung der gewünschten unteren Extremität Segmente zu berechnen. Durch Anschluss an das Setup unten beschrieben, sind die Ermittler relativ zuversichtlich, dass Kliniker gültige kinematische Maßnahmen mit ± 5 Grad Fehler erhalten wird.

Beurteilung des menschlichen Ganges ist ein wichtiger Bestandteil der physikalischen Therapie Auswertung und klinische Entscheidungsprozess. 1 Gait Beurteilung ist ein häufig verwendetes klinisches Werkzeug Gang Defizite bei Patienten mit neurologischen und muskuloskeletale Defizite zu bewerten. Neubeurteilung Gang kann dann liefern dem Arzt Informationen über die Wirksamkeit einer Intervention bei der Erreichung der Ziele, die sie bei ihrer ersten Bewertung gesetzt hatte. Es ist ein staatlich anerkannter Bedarf in den Vereinigten Staaten für Physiotherapeuten standardisierte Ergebnis Messungen zu verwenden, wenn die Patienten zu bewerten. 2 Diese Notwendigkeit ergibt sich aus den sich rasch verändernden Landschaft der Versicherung Erstattung Politik, sowie eine betonte Verschiebung für Physiotherapeuten stärker auf evidenzbasierte Praktiken zu verlassen. 3 Es gibt zahlreiche Maßnahmen Ergebnis verschiedener Aspekte des Gehens zu beurteilen, die in einer Anzahl von Wegen festgestellt werden kann , einschließlich: visual Beobachtung durch einen Kliniker, funktionelle Abschätzungen, Videomaßnahmen aufgezeichnet, elektronische Gehwege, Software dreidimensionale Bewegungsanalyse usw. In klinischen Umgebungen ist Beobachtungs (visuell) Ganganalyse häufig durchgeführt, da es eine minimale Ausrüstung und Zeit erfordert. Während Beobachtungsganganalyse häufig in der Klinik verwendet wird, bleibt es immer noch eine subjektive Einschätzung. Daher 4 Faktoren wie Therapeut Erfahrung, Sehschärfe, Entfernung vom Motiv (Kameraabstand), Messinstrumenten und anderer solcher Faktoren können bei der Beurteilung Variabilität und Fehler einzuführen. Das Potential für eine solche Variabilität stellt eine kritische Notwendigkeit für eine zuverlässigere Messmittel, die letztlich durch die Verwendung von gültigen Instrumentierung überwunden werden können. 5 Seit seiner Gründung, Videografie und der damit verbundenen Technologie verwendet worden verschiedene funktionale Einschränkungen res zu untersuchenulting von eingeschränkter Bewegungsfähigkeit sowie eine Form der visuellen Feedback. Dies ist akut wahr in Bezug Beurteilung Gang. Stuberg et al. stellte fest, dass &quot;Videografie Ausrüstung in der Klinik ... und bietet dem Arzt zusätzliche objektive Informationen über die Haltung und die gemeinsame Position während des Gangzyklus allgemein verfügbar ist.&quot; 4 Da die Technologie hat sich weiter verbessert, so haben die Fähigkeiten der Videoanalyse. Diese Funktionen bieten die Physiotherapeuten mit einer größeren Fähigkeit, die verschiedenen Parameter des Gehens zu einer klinisch zu bewerten. Die beiden wichtigsten Parameter, die Physiotherapeuten auf das konzentrieren, sind kinematische und Raum-Zeit-Parameter. Wie der Name andeutet, umfassen Raum-Zeit-Maßnahmen Elemente Entfernung und Zeit. Spezifisch für einen Gangzyklus würde Raum-Zeit-Maßnahmen umfassen, jedoch nicht beschränkt auf, Schrittlänge, Schrittlänge, Kadenz und Geschwindigkeit begrenzt werden. 6 Kinematic Maßnahmen auf der other Hand konzentrieren sich auf die Gelenkbewegungen / Drehungen der unteren Extremitäten bei jedem Gangzyklus beobachtet. Eine Reihe von Peer-Review-Artikel wurden veröffentlicht, die die Verwendung von Video-Bewegungsanalyse als Ergebnis zu messen, zu bewerten speziell Systeme 2D-Kamera, kinematische zitiert haben, Raum-Zeit oder eine Kombination beider Arten von Parametern. Diese Artikel wurden verschiedene klinische Populationen einschließlich Personen mit einer Vorgeschichte von einem Schlaganfall (CVA), Schädel-Hirn-Verletzungen (TBI), Rückenmarksverletzungen (SCI), Parkinson-Krankheit (PD), Zerebralparese (CP) und gesunden Personen ausgewertet. Das Schema unten dargestellt (Abbildung 1) bietet den Rahmen , die angenommen wurde relevanten Peer-Review - Literatur zu identifizieren , die zu diesem Thema veröffentlicht wurde. <img alt="Abbildung 1" src="/files/ftp_upload/54659/54659fig1.jpg" /> Abbildung 1. Schematische für Artikel Auswahlkriterien. the schematische fasst die Schritte in Peer-Review-Artikel der Wahl der Art von Variablen zu ermitteln, die in der Ganganalyse ausgewiesen wurden. <a href="https://ecsource-jove-com.bdigitaluss.remotexs.co/files/ftp_upload/54659/54659fig1large.jpg" target="_blank">Bitte klicken Sie hier</a> , um <a href="https://ecsource-jove-com.bdigitaluss.remotexs.co/files/ftp_upload/54659/54659fig1large.jpg" target="_blank">eine größere Version dieser Figur zu sehen.</a> Die Mehrzahl der Studien, die Videobewegungsanalyse zur Erfassung Gangparameter waren Validierungsstudien verwendet wurden. Kinematic Validierungsstudien können weiter in eine von drei Kategorien unterteilt werden: anormale Bewegung von einer bestimmten Diagnose / Pathologie resultierende Beurteilung, 7 Gelenkwinkel bei spezifischen funktionellen Bewegungen, 8, 9 und Bewertung der Wirksamkeit der Behandlung über den Vergleich der Pre-Intervention Bewegung Prüfung und nach der Intervention Bewegung. 10, 11 Ähnlich Beurteilung Studien Raum - Zeit - param kann auch in drei Kategorien unterteilt werden: Beurteilung der anormale Bewegung von einer bestimmten Pathologie resultierenden, 12, 13, 14 Untersuchung einer Plattform während einer bestimmten funktionellen Aktivität, 15, 16 und die Bestimmung der Wirkung einer bestimmten Intervention. 17 Die Studien , die beide kinematischen und Raum - Zeit - Parameter bewertet in erster Linie auf die Bestimmung der Wirksamkeit der spezifischen Behandlungsmaßnahmen wie Orthesen zielten 17 oder Körpergewicht / Teilkörpergewicht unterstützt Laufband - Training. 18, 19 eine vorläufige beschreibende Analyse dieser Artikel festgestellt , dass 52,1% der Studien (die Summe dieser ausschließlich auf Kinematik suchen (30,4%) und solche , die eine Kombination von Parametern untersucht (21,7%)) researched kinematischen Parameter mit einer 2D-Kamerasystem. Dies ist im Vergleich zu den 69,5% der Artikel (Summe von Artikeln, die Raum-Zeit-Parameter (47,8%) und eine Kombination von Parametern (21,7%) untersucht), die Raum-Zeit-Parameter beurteilt. Die methodischen Unterschiede bei der Erfassung und Bewertung der kinematischen und Raum-Zeit-Gangparameter werden auch in der klinischen Praxis in Bezug auf die Art der beobachtenden Ganganalyse verwendet wird, gesehen. Räumlich-zeitliche Parameter werden mit viel größerer Häufigkeit bewertet, wie durch die Forschung angegeben. Es gibt drei allgemein auf Gründe für diesen Trend vereinbart: geringe Kosten, einfache Verwendung und das Vorhandensein eines Standardprotokolls solche Parameter zu messen. (- 94% 40%) in der klinischen Einstellungen Beobachtende kinematischen Messungen wurden sehr niedrige Intra-Rater (60%) und Interraterreliabilität haben gezeigt. 4 Diese breite Palette versteht sich auf die Variation in der Platzierung von Markern zurückzuführen sein aufKnochenpunkte und die spezifischen Werkzeuge verwendet, um Gelenkwinkel zu beurteilen. Minute Unterschiede in Lage Platzierung der Marker können die resultierenden Winkel erheblich verändern. Spatiotemporal Messungen haben viel höhere Zuverlässigkeit (zwischen 69% - 97%), vor allem bei der Verwendung der Papier, Bleistift und Taktverfahren stoppen Gang zu beurteilen. 20 Die technologischen Fortschritte in den letzten Jahrzehnten haben sich deutlich die Art und Weise im Gesundheitswesen praktiziert wird geändert. Mit dem Aufkommen von Smartphones Zugriff auf das Internet, Online-Forschung Artikel und andere elektronische Ressourcen sind nun leichter zugänglich zu Ärzten jederzeit. Martin et al. berichtete, dass &quot;die allgemeine Verwendung von Smartphones wird in der klinischen Praxis, medizinische Ausbildung und Forschung zu erhöhen.&quot; 21 In dieser Studie wurden mehr als 50% der Ärzte unter dem Alter von 35 antworteten , dass sie mit einem Smartphone in der klinischen Praxis umgesetzt haben. Dieser Trend incrim Jahr 2009 gelockert, wenn 64% der Ärzte in den Vereinigten Staaten gefunden wurden unter Verwendung von Smartphones in ihrer klinischen Praxis werden. Die Manhattan Review Studie prognostiziert weiter , dass dieses Wachstum auf 81% der Ärzte und Gesundheits Kliniker Umsetzung Smartphone - Nutzung in der klinischen Praxis bis zum Jahr 2012 22 steigen würde weiterhin Während die weitere Forschung hat , wenn sich dieser Aufwärtstrend in der Tat zu klettern nicht durchgeführt worden , um zu bestimmen hat sich fortgesetzt, ist es sinnvoll, mit der bekannten Anwendung von Technologien im Gesundheitswesen zu übernehmen, dass die Verwendung von Smartphone-Plattformen in der klinischen Praxis alltäglicher wird. Die aktuelle Nutzung von Smartphone-Anwendungen in der physikalischen Therapie Praxis ist nicht nachgewiesen. Es wurden keine Studien, die von einem Physiotherapeuten bisher die Verwendung von Smartphone-Videoanalyseanwendungen zu bewerten. Allerdings haben verschiedene Smartphone-Anwendungen von einzelnen Physiotherapeuten als Durchbruch assis Werkzeug in o verwendet wordenutpatient orthopädische Einstellungen für den Einsatz sowohl in der Rehabilitierung und trainierende Athleten verschiedener Disziplinen. Smartphone-Apps sind auch zur Verfügung, die Gelenkwinkel messen kann, von denen einige validiert wurden. 23, 24 Individuelle Therapeuten haben mit verschiedenen Analyseanwendungen auf Smartphones für visuelles Feedback für den Patienten begonnen und für eine einfachere Verteilung der verschiedenen Komponenten , die in einem Patientengangzyklus fehlen kann, basierend auf anekdotische Evidenz. Allerdings bleibt die Gültigkeit dieser Maßnahmen nicht bekannt. Die begrenzte Forschung , die in Bezug auf diese Smartphone - Videoanalyse - Anwendungen existiert hat sich auf die Validierung von kinematischen Gangparameter konzentriert, speziell Knöchel, Knie und Hüfte Winkel, in der Frontalebene, 25 und Interraterreliabilität des Gerätes. 26 Es gibt keine Studien bisher, die die Verwendung von Smartphone - Videoanalyseanwendungen validiert Kinem aufzeichnenatics des Gehens in der Sagittalebene, die am häufigsten in der klinischen Ganganalyse durchgeführt wird. Das Ziel dieser Studie war es, die gleichzeitige Gültigkeit der kinematischen Maßnahmen von der Smartphone-Applikation aufgenommen zu testen und zu Maßnahmen, die von einem 3D-Motion-Capture-System in der Sagittalebene vergleichen. Wir gehen davon aus, dass es keine signifikanten Unterschiede zwischen den Maßnahmen, die von der Smartphone-Applikation aufgenommen werden, wenn die Maßnahmen der 3D-Motion-Capture-System erfasst verglichen. Der sekundäre Ziel ist es, wenn zwei unterschiedliche Platzierungen der Smartphone-Kamera aus dem Subjekt (in der Nähe von Abstand von 2 m zu testen, weit Abstand von 4 -nt Unterschied in der Maßnahmen zwischen den zwei verschiedenen Platzierungen der Smartphone-Kamera Das endgültige Ziel der Studie. mit einer Smartphone-Anwendung ist ein Protokoll für die klinische Video Ganganalyse zu entwerfen.

<table><tbody><tr><td>Hudl Technique App</td><td>Hudl&amp;nbsp;</td><td>Online app</td><td>Freely downladable app from adroid /apple store</td></tr><tr><td>Optotrak Certus 3D motion capture system</td><td>Northern Digital inc</td><td>Optotrak certus System</td><td>http://www.ndigital.com/msci/products/optotrak-certus/</td></tr><tr><td>Smartphone</td><td>Apple</td><td>Iphone 5</td><td>www.apple.com</td></tr></tbody></table>

video movement analysis using smartphones (vimas): a pilot study

Der Einsatz von Smartphones in der klinischen Praxis wird mit der Verfügbarkeit von kostengünstigen / frei verfügbar &quot;Apps&quot; stetig zu, die verwendet werden könnten menschlichen Gang zu beurteilen. Das primäre Ziel dieses Manuskripts ist die gleichzeitige Gültigkeit der kinematischen Maßnahmen durch eine Smartphone-Anwendung im Vergleich zu einem 3D-Motion-Capture-System in der Sagittalebene aufgezeichnet zu testen. Das sekundäre Ziel war es, ein Protokoll für die Kliniker auf dem Aufbau der Smartphone-Kamera für Video-Bewegungsanalyse zu entwickeln. Die Sagittalebene Kniewinkel wurde während Fersenauftreffposition und toe off-Veranstaltungen mit dem Smartphone-App und eine 3D-Motion-Capture-System in 32 gesunden Probanden gemessen. Drei Versuche wurden in der Nähe (2-m) durchgeführt und weit (4-m) Smartphone-Kamera Distanzen. Die Reihenfolge der Abstände randomisiert wurde. Eine Regressionsanalyse wurde durchgeführt, um die Höhe der Kamera zu schätzen, die entweder auf das Thema der Höhe oder der Beinlänge. Absolute Messfehler waren dest während Zehe ab (3,12 ± 5,44 Grad) im Vergleich zum Aufsetzen der Ferse (5,81 ± 5,26 Grad). Es gab signifikante (p &lt;0,05), aber moderate Vereinbarungen zwischen den Anwendungs- und 3D Motion-Capture-Maßnahmen von Kniewinkel. Es gab auch keine signifikanten (p&gt; 0,05) Unterschiede zwischen den absoluten Messfehler zwischen den beiden Kamerapositionen. 5 Grad während Zehe ab und Fersenauftreffposition Ereignisse des Gangzyklus - Die Messfehler zwischen 3 gemittelt. Die Verwendung von Smartphone-Apps können zur Durchführung von Gang oder menschlichen Bewegungsanalyse ein nützliches Werkzeug in der Klinik sein. Weitere Untersuchungen sind erforderlich, um die Genauigkeit bei der Messung von Bewegungen der oberen Extremität und Stamm zu etablieren.

Alle 32 Patienten beendeten die 6 Gehversuchen; jedoch sind die Daten von 6 der Teilnehmer wurden nicht aufgrund von technischen Problemen in der Datenanalyse, die in schlechten Markierung Sichtbarkeit führt. Die absoluten Messfehler der Kniewinkel waren dest während Zehe ab Ereignisse (3,12 ± 5,44 Grad) im Vergleich zum Aufsetzen der Ferse (5,81 ± 5,26 Grad) (Tabelle 1b). Es gab keine statistisch signifikanten Vereinbarungen (P&gt; 0,05) zwischen dem Smartphone-Anwendung und 3D-Motion-Capture-Maßnahmen der Kniewinkel. Es gab auch keine signifikanten Unterschiede (P&gt; 0,05) zwischen den absoluten Messfehler zwischen den beiden Kamerapositionen (2,0 m und 4,0 m). Die Teilnehmer Beinlänge entfielen 40,4% Varianz der Höhe, in der die Smartphone-Kamera in der Ferne platziert wurde (4,0 m, p &lt;0,0001) und 50% Varianz in der Nähe von Abstand (2,0 m, p &lt;0,0001). <p class="jove_content" fo:keep-together.within-page = &quot;1&quot;&gt; Intra Korrelation (ICC) (2, k) Analyse zeigte , dass die Smartphone - Anwendung Maßnahmen gering zeigte Vereinbarung bis mäßig vor allem während der Zehe ab Phase, wenn im Vergleich zu denen des 3D - Erfassungssystem (Tabelle 1a). Bei Veranstaltungen Toe Aus 1, Heel Schlag 1 und Toe Off 2, für beide in der Nähe und weite Strecken zeigte die Smartphone-Anwendung moderate Vereinbarung. Verbesserte Vereinbarung wurde auf Toe beobachtet Aus 2, die beide in den nahen und fernen Entfernungen, mit verbesserter ICC-Werte beobachtet (Toe Aus 2 in der Nähe von ICC = 0,447, p &lt;0,05; Zehe ab 2 Far ICC = 0,454, p &lt;0,05). <table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td> Kameraposition </td><td> Gait Phase </td><td> mittlere Errors </td><td> Std. Abweichung </td></tr><tr><td rowspan="4"> In der Nähe von </td><td> Heel Schlag 1 </td><td> 5.74 </td><td> 8.49 </td></tr><tr><td> Heel Strike 2 </td><td> 6.36 </td><td> 4.14 </td></tr> &lt;tr&gt; <td> Toe Aus 1 </td><td> 3,93 </td><td> 5 </td></tr><tr><td> Toe Aus 2 </td><td> 2.49 * </td><td> 4.99 </td></tr><tr><td rowspan="4"> Weit </td><td> Heel Schlag 1 </td><td> 4,97 </td><td> 5,58 </td></tr><tr><td> Heel Strike 2 </td><td> 5,47 </td><td> 3.6 </td></tr><tr><td> Toe Aus 1 </td><td> 2,71 </td><td> 5,64 </td></tr><tr><td> Toe Aus 2 </td><td> 2,54 * </td><td> 4.69 </td></tr></tbody></table> Tabelle 1: Intrakorrelationsanalyse mit Signifikanzwerte (p-Wert). * Zeigt p &lt;0,05. <table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td> Kameraposition </td><td> Gait Phase </td><td> Intra Korrelation </td><td> Bedeutung </td></tr><tr><td rowspan="4"> In der Nähe von </td><td> Heel Schlag 1 </td><td> 0,168 </td><td> 0,368 </td></tr><tr> &lt;td&gt; Toe Aus 1 </td><td> 0,324 </td><td> 0,126 </td></tr><tr><td> Heel Strike 2 </td><td> 0,335 </td><td> 0,07 </td></tr><tr><td> Toe Aus 2 </td><td> 0,447 </td><td> 0,018 * </td></tr><tr><td rowspan="4"> Weit </td><td> Heel Schlag 1 </td><td> 0,157 </td><td> 0,327 </td></tr><tr><td> Toe Aus 1 </td><td> 0,284 </td><td> 0,084 </td></tr><tr><td> Heel Strike 2 </td><td> 0,248 </td><td> 0,119 </td></tr><tr><td> Toe Aus 2 </td><td> 0,454 </td><td> 0,046 * </td></tr></tbody></table> Tabelle 2: Kniewinkel Messfehler. Bland-Altman Plots aus der Differenz der Maßnahmen zwischen der Anwendung und Motion - Capture - Systeme bieten visuelle Beweise erzeugt, deutet darauf hin , dass die Unterschiede sind von einer zufälligen Art, ohne irgendwelche Fehler proportional beobachtet werden (2a &amp; 2b). Die Parzellen for 2,0 m und 4,0 m Entfernungen zeigen Daten, die um die mittlere Differenz Linie in der Mitte mehr verstreut sind. Dies zeigt, dass die Kameraposition auf die Fehler bei der Messung nicht bei. <img alt="Figur 2" src="/files/ftp_upload/54659/54659fig2.jpg" /> Abbildung 2. Bland und Altman Plots , welches den Unterschied zwischen Maßnahmen Aufgenommen von der App und 3D - Motion - Capture - System während Toe off bei Far and Near Kamerapositionen. a) Kameraposition Far Toe Aus 2. b) Kameraposition in der Nähe von Toe Aus 2.

Watch this Scientific Journal Video about Video Movement Analysis Using Smartphones ViMAS: A Pilot Study at JoVE.com

Video Movement Analysis Using Smartphones ViMAS: A Pilot Study

This manuscript describes the method to test the concurrent validity of kinematic measures recorded by the smartphone application in comparison to a 3D motion capture system in the sagittal plane. This protocol will enable clinicians to set up smartphones for video capture of human movement.

Video Bewegungsanalyse mit Smartphones (VIMAS): Eine Pilotstudie

The use of smartphones in clinical practice is steadily increasing with the availability of low cost/freely available &#34;apps&#34; that could be used to ...

video-movement-analysis-using-smartphones-vimas-a-pilot-study

Universidad San Sebastian

Research

JoVE Journal

Medicine

Video Movement Analysis Using Smartphones (ViMAS): A Pilot Study

16.7K Aufrufe.  Wayne State University. This manuscript describes the method to test the concurrent validity of kinematic measures recorded by the smartphone application in comparison to a 3D motion capture system in the sagittal plane. This protocol will enable clinicians to set up smartphones for video capture of human movement.

Serie: Video Movement Analysis Using Smartphones ViMAS: A Pilot Study

Evaluation of a Smartphone-based Human Activity Recognition System in a Daily Living Environment

An evaluation method that includes continuous activities in a daily-living environment was developed for Wearable Mobility Monitoring Systems (WMMS) that attempt to recognize user activities. Participants performed a pre-determined set of daily living actions within a continuous test circuit that included mobility activities (walking, standing, sitting, lying, ascending/descending stairs), daily living tasks (combing hair, brushing teeth, preparing food, eating, washing dishes), and subtle environment changes (opening doors, using an elevator, walking on inclines, traversing staircase landings, walking outdoors). 
To evaluate WMMS performance on this circuit, fifteen able-bodied participants completed the tasks while wearing a smartphone at their right front pelvis. The WMMS application used smartphone accelerometer and gyroscope signals to classify activity states. A gold standard comparison data set was created by video-recording each trial and manually logging activity onset times. Gold standard and WMMS data were analyzed offline. Three classification sets were calculated for each circuit: (i) mobility or immobility, ii) sit, stand, lie, or walking, and (iii) sit, stand, lie, walking, climbing stairs, or small standing movement. Sensitivities, specificities, and F-Scores for activity categorization and changes-of-state were calculated.
The mobile versus immobile classification set had a sensitivity of 86.30% &#177; 7.2% and specificity of 98.96% &#177; 0.6%, while the second prediction set had a sensitivity of 88.35% &#177; 7.80% and specificity of 98.51% &#177; 0.62%. For the third classification set, sensitivity was 84.92% &#177; 6.38% and specificity was 98.17 &#177; 0.62. F1 scores for the first, second and third classification sets were 86.17 &#177; 6.3, 80.19 &#177; 6.36, and 78.42 &#177; 5.96, respectively. This demonstrates that WMMS performance depends on the evaluation protocol in addition to the algorithms. The demonstrated protocol can be used and tailored for evaluating human activity recognition systems in rehabilitation medicine where mobility monitoring may be beneficial in clinical decision-making.

A standardized evaluation method was developed for Wearable Mobility Monitoring Systems (WMMS) that includes continuous activities in a realistic daily living environment. Testing with a series of daily living activities can decrease activity recognition sensitivity; therefore, realistic testing circuits are encouraged for valid evaluation of WMMS performance.

Evaluation eines Smartphone-basierte Personal Activity Recognition System in einem täglichen Lebens Umwelt

An evaluation method that includes continuous activities in a daily-living environment was developed for Wearable Mobility Monitoring Systems (WMMS) that ...

Forschung

Verhalten

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

As individuals increasingly live in cities, methods to study their everyday movements and the data that can be collected becomes important and valuable. Eye-tracking informatics are known to connect to a range of feelings, health conditions, mental states and actions. But because vision is the result of constant eye-movements, teasing out what is important from what is noise is complex and data intensive. Furthermore, a significant challenge is controlling for what people look at compared to what is presented to them.
The following presents a methodology for combining and analyzing eye-tracking on a video of a natural and complex scene with a machine learning technique for analyzing the content of the video. In the protocol we focus on analyzing data from filmed videos, how a video can be best used to record participants&#39; eye-tracking data, and importantly how the content of the video can be analyzed and combined with the eye-tracking data. We present a brief summary of the results and a discussion of the potential of the method for further studies in complex environments.

The objective of the protocol is to detail how to collect video data for use in the laboratory; how to record eye-tracking data of participants looking at the data and how to efficiently analyze the content of the videos that they were looking at using a machine learning technique.

Die Kombination von Eye-Tracking-Daten mit einer Analyse von Video-Inhalten aus dem Free-Viewing eines Videos von einem Walk in einer urbanen Park-Umgebung

As individuals increasingly live in cities, methods to study their everyday movements and the data that can be collected becomes important and valuable. ...

Umwelt

Frame-by-Frame Video Analysis of Idiosyncratic Reach-to-Grasp Movements in Humans

Prehension, the act of reaching to grasp an object, is central to the human experience. We use it to feed ourselves, groom ourselves, and manipulate objects and tools in our environment. Such behaviors are impaired by many sensorimotor disorders, yet our current understanding of their neural control is far from complete. Current technologies for investigating human reach-to-grasp movements often utilize motion tracking systems that can be expensive, require the attachment of markers or sensors to the hands, impede natural movement and sensory feedback, and provide kinematic output that can be difficult to interpret. While generally effective for studying the stereotypical reach-to-grasp movements of healthy sighted adults, many of these technologies face additional limitations when attempting to study the unpredictable and idiosyncratic reach-to-grasp movements of young infants, unsighted adults, and patients with neurological disorders. Thus, we present a novel, inexpensive, and highly reliable yet flexible protocol for quantifying the temporal and kinematic structure of idiosyncratic reach-to-grasp movements in humans. High speed video cameras capture multiple views of the reach-to-grasp movement. Frame-by-frame video analysis is then used to document the timing and magnitude of pre-defined behavioral events such as movement start, collection, maximum height, peak aperture, first contact, and final grasp. The temporal structure of the movement is reconstructed by documenting the relative frame number of each event while the kinematic structure of the hand is quantified using the ruler or measure function in photo editing software to calibrate 2 dimensional linear distances between two body parts or between a body part and the target. Frame-by-frame video analysis can provide a quantitative and comprehensive description of idiosyncratic reach-to-grasp movements and will enable researchers to expand their area of investigation to include a greater range of naturalistic prehensile behaviors, guided by a wider variety of sensory modalities, in both healthy and clinical populations.

This protocol describes how to use frame-by-frame video analysis to quantify idiosyncratic reach-to-grasp movements in humans. A comparative analysis of reaching in sighted versus unsighted healthy adults is used to demonstrate the technique, but the method can also be applied to the study of developmental and clinical populations.

Frame-by-Frame-Video-Analyse von eigenwilligen Reach-Griff Bewegungen beim Menschen

Prehension, the act of reaching to grasp an object, is central to the human experience. We use it to feed ourselves, groom ourselves, and manipulate ...

Measuring the Kinematics of Daily Living Movements with Motion Capture Systems in Virtual Reality

The inability to complete instrumental activities of daily living (IADL) is a precursor to various neuropsychological diseases. Questionnaire-based assessments of IADL are easy to use but prone to subjective bias. Here, we describe a novel virtual reality (VR) test to assess two complex IADL tasks: handling financial transactions and using public transportation. While a participant performs the tasks in a VR setting, a motion capture system traces the position and orientation of the dominant hand and head in a three-dimensional Cartesian coordinate system. Kinematic raw data are collected and converted into &#39;kinematic performance measures,&#39; i.e., motion trajectory, moving distance, and time to completion. Motion trajectory is the path of a particular body part (e.g., dominant hand or head) in space. Moving distance refers to the total distance of the trajectory, and time to completion is how long it took to complete an IADL task. These kinematic measures could discriminate patients with cognitive impairment from healthy controls. The development of this kinematic measuring protocol allows detection of early IADL-related cognitive impairments.

We designed a virtual reality test to assess instrumental activities of daily living (IADL) with a motion capture system. We propose a detailed kinematic analysis to interpret the participant&#39;s various movements, including trajectory, moving distance, and time to completion to evaluate IADL capabilities.

Messung der Kinematik des täglichen Lebens Bewegungen mit Motion-Capture-Systeme in der virtuellen Realität

The inability to complete instrumental activities of daily living (IADL) is a precursor to various neuropsychological diseases. Questionnaire-based ...

Measuring the Switch Cost of Smartphone Use While Walking

This paper presents a study protocol to measure the task-switching cost of using a smartphone while walking. This method involves having participants walk on a treadmill under two experimental conditions: a control condition (i.e., simply walking) and a multitasking condition (i.e., texting while walking). During these conditions, the participants must switch between the tasks related to the experimental condition and a direction determining task. This direction task is done with a point-light walker figure, seemingly walking towards the left or the right of the participant. Performance on the direction task represents the participant&#8217;s task-switching costs. There were two performance measures: 1) correct identification of the direction and 2) response time. EEG data are recorded in order to measure the alpha oscillations and cognitive engagement occurring during the task switch. This method is limited in its ecological validity: pedestrian environments have many stimuli occurring simultaneously and competing for attention. Nonetheless, this method is appropriate for pinpointing task-switching costs. The EEG data allow the study of the underlying mechanisms in the brain that are related to differing task-switching costs. This design allows the comparison between task switching when doing one task at a time, as compared to task switching when multitasking, prior to the stimulus presentation. This allows understanding and pinpointing both the behavioral and neurophysiological impact of these two different task-switching conditions. Furthermore, by correlating the task-switching costs with the brain activity, we can learn more about what causes these behavioral effects. This protocol is an appropriate base for studying the switching cost of different smartphone uses. Different tasks, questionnaires, and other measures can be added to it in order to understand the different factors involved in the task-switching cost of smartphone use while walking.

This study design measures the task-switching cost of using a smartphone while walking. Participants undergo two experimental conditions: a control condition (walking) and a multitasking condition (texting while walking). Participants switch between these tasks and a direction determining task. EEG data as well as behavioral measures are recorded.

Messung der Wechselkosten für die Smartphone-Nutzung während des Gehens

This paper presents a study protocol to measure the task-switching cost of using a smartphone while walking. This method involves having participants walk ...

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

With the advent of new technological advances, it is possible to study social interactions at a microlevel with unprecedented accuracy. High frequency sensors, such as eye-trackers, electrodermal activity wristbands, EEG bands, and motion sensors provide observations at the millisecond level. This level of precision allows researchers to collect large datasets on social interactions. In this paper, I discuss how multiple eye-trackers can capture a fundamental construct in social interactions, joint visual attention (JVA). JVA has been studied by developmental psychologists to understand how children acquire language, learning scientists to understand how small groups of learners work together, and social scientists to understand interactions in small teams. This paper describes a methodology for capturing JVA in colocated settings using mobile eye-trackers. It presents some empirical results and discusses implications of capturing microobservations to understand social interactions.

Using multimodal sensors is a promising way to understand the role of social interactions in educational settings. This paper describes a methodology for capturing joint visual attention from colocated dyads using mobile eye-trackers.

Eine Methodik zur Erfassung der gemeinsamen visuellen Aufmerksamkeit mit mobilen Eye-Trackern

With the advent of new technological advances, it is possible to study social interactions at a microlevel with unprecedented accuracy. High frequency ...

An Assessment Method and Toolkit to Evaluate Keyboard Design on Smartphones

Keyboard input has played an essential role in human-computer interaction with a vast user base, and the keyboard design has always been one of the fundamental objects of studies on smart devices. With the development of screen technology, more precise data and indicators could be collected by smartphones to in-depth evaluate the keyboard design. The enlargement of the phone screen has led to unsatisfactory input experience and finger pain, especially for one-handed input. The input efficiency and comfort have attracted the attention of researchers and designers, and the curved keyboard with size-adjustable buttons, which roughly accorded with the physiological structure of thumbs, was proposed to optimize the one-handed usage on large-screen smartphones. However, its real effects remained ambiguous. Therefore, this protocol demonstrated a general and summarized method to evaluate the effect of curved QWERTY keyboard design on a 5-inch smartphone through a self-developed software with detailed variables, including objective behavioral data, subjective feedback, and the coordinate data of each touchpoint. There is sufficient existing literature on evaluating virtual keyboards; however, only a few of them systematically summarized and took reflection on the evaluation methods and processes. Therefore, this protocol fills in the gap and presents a process and method of the systematic evaluation of keyboard design with available codes for analysis and visualization.&#160;It needs no additional or expensive equipment&#160;and is easy to conduct and operate. In addition, the protocol also helps to get potential reasons for the disadvantages of the design and enlightens the optimization of designs. In conclusion, this protocol with the open-source resources could not only be an in-class demonstrative experiment to inspire the novice to start their studies but also contributes to improving the user experience and the revenue of input method editor companies.

The presented protocol integrates various evaluation methods and demonstrates a method to evaluate the keyboard design on smartphones. Pairs matched by English characters are proposed as the input material, and the transition time between two keys is used as the dependent variable.

Eine Bewertungsmethode und ein Toolkit zur Bewertung des Tastaturdesigns auf Smartphones

Keyboard input has played an essential role in human-computer interaction with a vast user base, and the keyboard design has always been one of the ...

Smartphone-basierte Bildgebung für C. elegans Rasenvermeidungs-Assay

A Smartphone-Based Imaging Method for C. elegans Lawn Avoidance Assay

When exposed to toxic or pathogenic bacteria, the nematode Caenorhabditis elegans displays a learned lawn avoidance behavior, in which the worms gradually leave their food source and prefer to remain outside the bacterial lawn. The assay is an easy way to test the worms' ability to sense external or internal cues to properly respond to harmful conditions. Though a simple assay, counting is time consuming, particularly with multiple samples, and assay durations that span overnight are inconvenient for researchers. An imaging system that can image many plates over a long period is useful but costly. Here, we describe a smartphone-based imaging method to record lawn avoidance in C. elegans. The method requires only a smartphone and a light emitting diode (LED) light box, to serve as a transmitted light source. Using free time-lapse camera applications, each phone can image up to six plates, with sufficient sharpness and contrast to manually count worms outside the lawn. The resulting movies are processed into 10 s audio video interleave (AVI) files for every hourly time point, then cropped to show each single plate to make them more amenable for counting. This method is a cost-effective way for those looking to examine avoidance defects and can potentially be extended to other C. elegans assays.

Autor im Rampenlicht: Eine Smartphone-basierte Bildgebungsmethode für den Rasenvermeidungs-Assay von C. elegans  

This article describes a simple, low-cost method of recording the lawn avoidance behavior of Caenorhabditis elegans, using readily available items such as a smartphone and a light emitting diode (LED) light box. We also provide a Python script to process the video file into a format more amenable for counting.

Eine Smartphone-basierte Bildgebungsmethode für den Rasenvermeidungstest von C. elegans

When exposed to toxic or pathogenic bacteria, the nematode Caenorhabditis elegans displays a learned lawn avoidance behavior, in which the worms gradually ...

Video Bewegungsanalyse mit Smartphones (VIMAS): Eine Pilotstudie

Zusammenfassung

Weitere Videos entdecken

Kapitel in diesem Video

Evaluation eines Smartphone-basierte Personal Activity Recognition System in einem täglichen Lebens Umwelt

Die Kombination von Eye-Tracking-Daten mit einer Analyse von Video-Inhalten aus dem Free-Viewing eines Videos von einem Walk in einer urbanen Park-Umgebung

Frame-by-Frame-Video-Analyse von eigenwilligen Reach-Griff Bewegungen beim Menschen

Messung der Kinematik des täglichen Lebens Bewegungen mit Motion-Capture-Systeme in der virtuellen Realität

Messung der Wechselkosten für die Smartphone-Nutzung während des Gehens

Eine Methodik zur Erfassung der gemeinsamen visuellen Aufmerksamkeit mit mobilen Eye-Trackern

Eine Bewertungsmethode und ein Toolkit zur Bewertung des Tastaturdesigns auf Smartphones

Eine Smartphone-basierte Bildgebungsmethode für den Rasenvermeidungstest von C. elegans

Eine Smartphone-basierte Bildgebungsmethode für den Rasenvermeidungstest von C. elegans

Eine Smartphone-basierte Bildgebungsmethode für den Rasenvermeidungstest von C. elegans